view in publisher's site

Identifying anticancer peptides by using a generalized chaos game representation

We generalize chaos game representation (CGR) to higher dimensional spaces while maintaining its bijection, keeping such method sufficiently representative and mathematically rigorous compare to previous attempts. We first state and prove the asymptotic property of CGR and our generalized chaos game representation (GCGR) method. The prediction follows that the dissimilarity of sequences which possess identical subsequences but distinct positions would be lowered exponentially by the length of the identical subsequence; this effect was taking place unbeknownst to researchers. By shining a spotlight on it now, we show the effect fundamentally supports (G)CGR as a similarity measure or feature extraction technique. We develop two feature extraction techniques: GCGR-Centroid and GCGR-Variance. We use the GCGR-Centroid to analyze the similarity between protein sequences by using the datasets 9 ND5, 24 TF and 50 beta-globin proteins. We obtain consistent results compared with previous studies which proves the significance thereof. Finally, by utilizing support vector machines, we train the anticancer peptide prediction model by using both GCGR-Centroid and GCGR-Variance, and achieve a significantly higher prediction performance by employing the 3 well-studied anticancer peptide datasets.

شناسایی پپتیدهای ضد سرطان با استفاده از یک نمایش بازی آشفتگی تعمیم‌یافته

ما نمایش بازی هرج و مرج (cgr)را به فضاهای بالاتر بعدی تعمیم می‌دهیم در حالی که bijection را حفظ می‌کنیم و این روش را به اندازه کافی نماینده و به لحاظ ریاضی دقیق با تلاش‌های قبلی حفظ می‌کنیم. ما ابتدا به حالت اول می‌پردازیم و خاصیت مجانبی of و نمایش بازی آشفتگی تعمیم‌یافته مان (GCGR)را اثبات می‌کنیم. پیش‌بینی از این قرار است که عدم تشابه of که دارای subsequences یک‌سان هستند اما موقعیت‌های متفاوت با طول دنباله یک‌سان به صورت نمایی کاهش خواهند یافت؛ این تاثیر در unbeknownst به محققان داده شد. با روشن کردن یک نورافکن روی آن، ما اثر اساسا پشتیبانی (G)cgr را به عنوان معیار شباهت یا تکنیک استخراج ویژگی نشان می‌دهیم. ما دو تکنیک استخراج ویژگی را توسعه می‌دهیم: GCGR - Centroid و GCGR - واریانس. ما از the - Centroid برای آنالیز تشابه بین توالی پروتیین‌ها با استفاده از مجموعه داده ۹ ND۵، ۲۴ TF و ۵۰ پروتئین بتا گلوبین استفاده می‌کنیم. ما نتایج منسجمی را در مقایسه با مطالعات قبلی به دست می‌آوریم که اهمیت آن را اثبات می‌کند. در نهایت، با استفاده از ماشین‌های بردار پشتیبان، ما مدل پیش‌بینی پپتید ضد سرطانی را با استفاده از هم GCGR - Centroid و واریانس - واریانس آموزش می‌دهیم و با استفاده از مجموعه داده‌های پپتید ضد سرطان مورد مطالعه به طور قابل‌توجهی عملکرد پیش‌بینی بالاتری را بدست می‌آوریم.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Applied Mathematics
  • ترجمه مقاله Applied Mathematics
  • مقاله ریاضیات کاربردی
  • ترجمه مقاله ریاضیات کاربردی
  • مقاله Modelling and Simulation
  • ترجمه مقاله Modelling and Simulation
  • مقاله مدل‌سازی و شبیه‌سازی
  • ترجمه مقاله مدل‌سازی و شبیه‌سازی
  • مقاله Agricultural and Biological Sciences (miscellaneous)
  • ترجمه مقاله Agricultural and Biological Sciences (miscellaneous)
  • مقاله علوم کشاورزی و زیستی (متفرقه)
  • ترجمه مقاله علوم کشاورزی و زیستی (متفرقه)
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.